forked from ykrmm/semantic_deep_neuralIR
/
datasets.py
306 lines (258 loc) · 20 KB
/
datasets.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
##########################################################
#
# Fichier contenant les fonctions de chargement des documents d'une collection
#
# Ismael Bonneau
##########################################################
import numpy as np
import gensim
import random
import ast
import json
import os
import pickle
from os import listdir,sep
from os.path import isfile, join
from gensim.parsing.preprocessing import preprocess_string,remove_stopwords,strip_numeric, strip_tags, strip_punctuation, strip_short, strip_multiple_whitespaces
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import CountVectorizer
import codecs
EPS = 10e-7
import string
table = str.maketrans('', '', '!"#$%\'()*+,-./:;<=>?@[\\]^_`{|}~')
# Krovetz stemmer est un stemmer moins "destructif" que le porter.
# Viewing morphology as an inference process: https://dl.acm.org/citation.cfm?id=160718
from krovetzstemmer import Stemmer #stemmer pas mal pour la PR
ks = Stemmer()
CUSTOM_FILTERS = [lambda x: x.lower(), strip_tags, strip_multiple_whitespaces, strip_punctuation, remove_stopwords, lambda x: ks.stem(x)]
def custom_tokenizer(s):
return [w.translate(table) for w in preprocess_string(s, [strip_tags, lambda x: strip_short(x, 2), remove_stopwords, lambda x: ks.stem(x)])]
class Dataset:
def __init__(self):
pass
class Robust04(Dataset):
def __init__(self, intervals, model_wv, normalize=False):
"""
all_doc : dictionnaire de tout nos documents afin d'itérer dessus.
"""
self.intervals = intervals
self.normalize = normalize
self.model_wv = model_wv
def load_idf(self, idf_file):
self.idf_values = pickle.load(open(idf_file, "rb"))
def get_idf_vec(self, query):
"""
"""
vec = np.zeros(self.max_length_query)
for i, queryterm in enumerate(query):
if queryterm.lower() in self.idf_values: #forcer la mise en majuscules on sait jamais
vec[i] = self.idf_values[queryterm.lower()]
elif queryterm in self.idf_values:
vec[i] = self.idf_values[queryterm]
return vec
def load_all_query(self, file_query="data/robust2004.txt"):
"""
On recupère toutes les querys qui sont ensuite sauvegardées dans un dictionnaire.
"""
with open(file_query, "r") as f:
self.d_query = ast.literal_eval(f.read())
#on applique Krovetz sur les termes des queries
for k in self.d_query :
prout = " ".join([ks.stem(x) for x in self.d_query[k][0].split()])
self.d_query[k]= " ".join(custom_tokenizer(prout)) # On suppr les query langage naturel, et on garde que la query mot clé
self.max_length_query = 4
print("query chargé")
def load_all_docs(self):
"""
Charge tout les docs dans un dico.
"""
self.docs = {}
collections = ["FR94", "FT", "FBIS", "LATIMES"]
for collection in collections:
with open("data/robust2004"+collection+".json", "r") as f:
self.docs.update(json.load(f))
print("docs chargés")
def load_relevance(self, file_rel="data/qrels.robust2004.txt"):
"""
Chargement du fichier des pertinences pour les requêtes.
Pour chaque paire query/doc on nous dit si pertinent ou non.
"""
self.paires = {}
with open(file_rel,"r") as f:
for line in f :
l = line.strip().split(' ')
self.paires.setdefault(l[0],{})
self.paires[l[0]].setdefault('relevant',[])
self.paires[l[0]].setdefault('irrelevant',[])
if l[-1]=='1':
self.paires[l[0]]['relevant'].append(l[2])
else:
self.paires[l[0]]['irrelevant'].append(l[2])
print("relevance chargé")
def hist(self, query, document):
"""
query: matrice (nbtermequery x vector_size)
document: matrice (nbtermedocument x vector_size)
"""
cos = np.dot(query, document.T)
return np.apply_along_axis(lambda x: np.log10(1 + np.histogram(x, bins=self.intervals, range=(-1,1))[0]), 1, cos) #log de l'histogramme
def prepare_data_forNN(self, dossier):
"""
"""
#preparer les vecteurs d'idf des termes des requetes
lol = [q for q in self.d_query.keys() if q in self.paires]
query_idf = {}
for id_requete in lol:
query_idf[id_requete] = self.get_idf_vec(custom_tokenizer(self.d_query[id_requete]))
pickle.dump(query_idf, open("saved_data/query_idf.pkl", "wb"))
del query_idf
print("nombre de requetes: %d." % len(lol))
tiascompris = list(self.docs.keys())
lol.remove("634")
#pour chaque requête on va générer autant de paires relevant que irrelevant
#on va créer autant de fichiers que de requêtes:
#chaque fichier va contenir des matrices d'interraction, alternée exemple positif/exemple négatif.
for id_requete in lol:
#recuperer les mots dont on connait les embeddings dans la query
query_embeddings = np.zeros((self.max_length_query, 300))
i = 0
for word in self.d_query[id_requete].split():
if word in self.model_wv:
query_embeddings[i] = self.model_wv[word]
i += 1
query_embeddings = np.array(query_embeddings)
interractions = []
for pos in self.paires[id_requete]["relevant"]:
#lire le doc, la requete et creer l'histogramme d'interraction
pos_embeddings = []
for word in self.docs[pos]['text'].split():
if word in self.model_wv:
pos_embeddings.append(self.model_wv[word])
pos_embeddings = np.array(pos_embeddings)
interractions.append(self.hist(query_embeddings, pos_embeddings)) #append le doc positif
#sampler un document au hasard
#neg = np.random.choice(tiascompris, 1, replace=False)[0]
#neg_embeddings = []
#for word in self.docs[neg]['text'].split():
# if word in self.model_wv:
# neg_embeddings.append(self.model_wv[word])
#neg_embeddings = np.array(neg_embeddings)
#interractions.append(self.hist(query_embeddings, neg_embeddings)) #append le doc négatif
# sampler un document non pertinent au sens de qrels
neg = np.random.choice(self.paires[id_requete]["irrelevant"], 1, replace=False)[0]
neg_embeddings = []
for word in self.docs[neg]['text'].split():
if word in self.model_wv:
neg_embeddings.append(self.model_wv[word])
neg_embeddings = np.array(neg_embeddings)
#interractions.append(self.hist(query_embeddings, pos_embeddings)) #append le doc négatif
interractions.append(self.hist(query_embeddings, neg_embeddings)) #append le doc négatif
print("requete %s complete." % id_requete)
np.save("saved_data/"+id_requete+"_interractions.npy", np.array(interractions))
print("data completed")
def prepare_data_reranking(self, bm25_query_results):
"""
"""
# pré calcule les interractions sur les 2000 documents renvoyés par BM25 sur chaque requête
# Processus LENT!! à exécuter une seule fois
query_idf = pickle.load(open("saved_data/query_idf.pkl", "rb"))
print("nombre de requetes: %d." % len(query_idf))
for id_requete in query_idf:
if id_requete != '634':
query_embeddings = np.zeros((self.max_length_query, 300))
i = 0
for word in custom_tokenizer(self.d_query[id_requete]):
if word in self.model_wv:
query_embeddings[i] = self.model_wv[word]
i += 1
query_embeddings = np.array(query_embeddings)
interractions = []
for id_doc, score in bm25_query_results[id_requete]:
document_embeddings = []
for word in custom_tokenizer(self.docs[id_doc]['text']):
if word in self.model_wv:
document_embeddings.append(self.model_wv[word])
document_embeddings = np.array(document_embeddings)
interractions.append(self.hist(query_embeddings, document_embeddings))
#sauvegarde les 2000 matrices d'interraction par requete
np.save("data/bm25_robust/"+id_requete+"_interractions.npy", np.array(interractions))
print("data completed")
# @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
# @@////////////(/(/(//(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((/(//(/((/@@
# @@/(//(///(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@////((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((/*/#%%%%%%%%%%%(//(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@/(/(/(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((*#%%%%%%%%%#######%%%%%%%**(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((/@@
# @@///(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((*%%%%#########################%%%,/((((((((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((*#%#################################%%%*((((((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((%#######################################%%*((((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((((((((/#%##(((######################################%%/((((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((((((((%#(((##########################################%%#(((((((((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((((((,%%#(((#############################################%%*(((((((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((((,%%(((((##############################################%%*((((((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((((/%%(((((################################################%%,(((((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((((/%((((((#################################################%%/((((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((((%#((((((##################################################%%*(((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((/%(((((((##################################################%%#(((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((*(((((((((##################################################%%/((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((##################################################%%*((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((*#((((((((((#################################################%%*((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((##((((((((((############################################((((((%/((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((((((((%%((((((((((############*//(############################((((((%(((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((((****,#%/((((((((##########/,,,/* ./(###################/(**,,((((((((((((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((((((((#/,..**(/,,((((((##########(((//*(((,**,, .*(#######///*, .,,.,*((((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((((#,,,(,/(#(((((((########################((***,**#####*,, . ...,,,,,/#(((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((#/#,*(((/((#((/(((#############//#(*(**,,,///**/(#####(*,,,*######((//%*#(((((((((((((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((#/#,((#*,/(##(*(((##########(*, (% , ,*@&% ,**(((#####(*,*,,*,,..,**,%%(#(#((((((((((#((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((((#/(/##***(*###,(((############/**//,.*(,,*//((##((#####*,.#&., * ,/(#(#((#(##(((((((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((#((((#(((#,,*#(####.(((################(((((//######(((#####/,,**((*(#(,,(**/####(#((##(#((((((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((#(##(((,(%#(####,((((############################(########*,*#*/*****/#**/########(##(((((((((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((((((((#(#(#(#(,##(/*(*##/,,((((###################################(**,*#####/**#/*#############(#(#((((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((((((((((##(#*#*,(###,(#(../((((###################################(/,**########################(((###(((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((#((((((##(#(#####*##*/##/*(*.,*(((((########################((((######((,**/########(#################((#(((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((#(#(#((((#######//###(/(#*,.,*(((((#####################/(###########(%**#####(##((/################(#((((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((#(###############,(####.,,,.*((((((###################(############(((/#######((((##################(#((((((((((((((((((((((@@
# @@(((((((((((((((((((((((((((((((###(##############(** #...,**,((((((##################*((. /####(*/(*######((((%##################((((((((((((((((((((((((@@
# @@((((((((((((((((((((((((((((#((#((###############/***#.,,,,,,,((((((###################(/(##(///,/(/.,#####((((/###################(#((#(((((((((((((((((((@@
# @@((((((((((((((((((((((((((((((#(#################(**((.,,,.,,,,*((((((########################(*,,,*/((###((((((#######################(#((((((((((((((((((@@
# @@(((((((((((((((((((((((((#((((###################(*(#(...,,,,,,*,(((((((#####(#############(/###(//((((((((((((########################((((#(((((((((((((((@@
# @@(((((((((((((((((((((((((((((####################/*(##.....*,,*.,,,((((((((((#########/..,,*,...*,(((((((((((((%########################(((((((((((((((((((@@
# @@(((((((((((((((((((((((((((#(####################**(##/..,,,*,,..,,**/(((((((###**,*#%%(*////((//(/,,(((((((((/%#########################(#((((((((((((((((@@
# @@((((((((((((((((((((((#(((#######################**(##(.....,*.,,,*,,.*((((((/,*.....,,,*,.*/***,,,*( .*/(((((*##########################((((((((((((((((((@@
# @@(((((((((((((((((((((((((((#####################%**(###..,.,,....,,,,,,,,/(*.,.(#####(/((((/////(/*,,,.../((/.%######################(#####((((((((((((((((@@
# @@(((((((((((((((((((((#(((((##################%(.#**(###(. ,.,,,,,.**,**,,*,.***####(,/####((/////**/((,.,*,.(%##############################((((((((((((((@@
# @@(((((((((((((((((((((((#####################(,.@&/*((##((*. ...,.,,*,,..,,**,*,########*. /((((/*...*%##############################(((((((((((((((@@
# @@((((((((((((((((((((((((##################%*,.%&&&,((####(,*. ...,.,,.**.*,*,*/(########((*...,//((((((....,%############################(#((((((((((((((((@@
# @@(((((((((((((((((((((#(((((##############%.,,.@&&&(((######/*,,. .,.,..,*,.,.**/###############(((((((/..,/%################################(((((((((((((((@@
# @@(((((((((((((((((((((((#(##(#############,,,,.@&&&&,((######(**,,, ...,,*.*,*.*/#(##(#########(((*/,*.. %###################################(((#((((((((((@@
# @@((((((((((((((((((((##(#((############%,,,,,,,*&&&&&*((######((*,,,,.. . ,,*,,,,,,,,((//######(*,.,....*%#################################(##(#((((((((((((@@
# @@(((((((((((((((((((((((((###########%.,,,,,,,,,%&&&&&*((#######/**,,,,.. ...,,,.*,,,/(//*(*(/,....,.,*%##################################((((((#(((((((((@@
# @@((((((((((((((((((((((((((########%.,,,,,,,,,,,,&&&&&&@*(#######///**,,,.,,.. ....,.,*,**,*,.,,......,,,,,..(%%##############################(###((((((((((@@
# @@((((((((((((((((((((((##(#######%.,,,,,,,,,,,,,,.@&&&&&&((#######(((/****,,.,,. ........ .. .... .,,,,,,,.,,,.*%%%####################(#((((((((((((((((@@
# @@(((((((((((((((((((((((#((######,,,,,,,,,,,,,,,,,.%&&&&&&&%(######((((((///*,,,,*,.,,,... (#, ,,,,,,,,,.,,,,,,. ,%%%##################((((((((((((((@@
# @@((((((((((((((((((#((((((###%/.,,,,,,*,,,,,,,,,,,,,&&&&&&&&&%/#####((((((((((**,,,,,,,,,,,,, ((&/ ,,,,,,,,,,,.,,,,,,,,,,..(%%############(((#(((((((((((@@
# @@(((((((((((((((((((((((##%(.,,,,,,,,,,,,,,,,,,,,,,,,#&&&&&&&&&@*####(((((((((/((/**,,,***,, .((&&% ,,,,,,**,,,,,.,,,,,,,,,,,,,,../%%#######(##(((((((((((@@
# @@((((((((((((((((((((((%%.,,,,,,,,,,,,,,,,,,,,,,,,,,,,#&&&&&&&&&&&(*#(((((((((((((/((/((*,, *(&&&&& .,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,. ,#&%#((((((((((((((@@
# @@(((((((((((((((((((%(.,,,,,,,,,,,,,*,,,,,,,,,,,,,,,,,,.&&&&&&&&&&&&&(/((((((((((((((((*,.,(#&&&&&@. .,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,..(%%#((((((((@@
# @@((((((((((((((((%#.,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,.&&&&&&&&&&&&&&@*(((((((((((((*, (#&&&&&&&&, .,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.(%%#(((@@
# @@((((((((((((#%#.,,,,,,,,,,,,,,,*.,,,,,,,,,,,,,,,,,,,,,,,.@&&&&&&&&&&&&&&&@#*(((((((,. /&&&&&&&&&&&/ .,,,,,,,,,,*,,,,,.,,,,,,,,,,,,,,,,,,,,,,,,,,,,.,.%#@@
# @@((((((((((%#.,,,,,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,,,.%&&&&&&&&&&&&&&&&&@%,/*,..&&&&&&&&&&&&&&( ,,,,,,,,,,,,,,,,,.,,,,*,,,,,,*,,,,,,,,,,,,,,,.,..@@
# @@(((((((%(.,,,,,,,,,,*,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,,,,,*&&&&&&&&&&&&&&&&&&&%@&&&&&&&&&&&&&& ., .,,,,,,,,,,,,,,,,,.,,,,,,,,,,*,,*,*,,,,,,,,,,.,,&@
# @@((((%(.,,,,,,,,,,,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,,,,,,.&&&&&&&&&&&&&&&&&&/.,. *@&&&&&&&&&&&&( .,,,,. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, *,&@
# @@(%(.,,,,,,,,,,,,*,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,*,,*,,,,, &&&&&&&&&&&&&&&% ,,,... &&&&&&&&&&&* ,,,,,,,,.,,,,,,,,*,,,,,, ,,,,,,,,,,,,,,,,,,,,,,,,,,.,@@
# @@.,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.,,,*,,,,,,,,,,,,,,,,,,,,,,,,,.%&&&&&&&&&&&&( ,...,... .@&&&&&&&&,, .,,,,,,,,,,,.,,,,,,,,,,..*,,,,,,,,,,,,,,,,,,,,,,,,,, ,@@
# @@,,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,.,,,,,,,,,,/&&&&&&&&&&/.,,.,..,... /*&&&&&&@./ ,,,*,,,,,,,,,,.,,,,,, ,*,,,,,,,,,,,,,,,,,,,,,,,,,,,.,&@
# @@,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,*@&&&&&& .....,..... .##,&&&&&@.# ,,,,,,,,,,,,**,,,., ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, &@
# @@,,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,*,,,,,,,,,,,,,.,,,,,,,,,,,,,,, @&&&&&**( ..,,,......*%##%&&&&&.& ,,,,,,,,,,,,,,,,,,,,,.,*,,,*,,,,,,,,,,,,,,,,,*,,,,,,.@@
# @@,,**,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,, @&&/(#&* ...,. ...#&&&&@/&&&,&. ,,,,,,,,,,,,,,,,,,,,,,,,,..,,,,,,,(***#,,,,,,,,,,,,,,&@
# @@,,*,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,. .,,,,,,,,,,,,*,,,,,,,,,,,,,,,, @&&*(&&&&@ ..,..,.,.@&&&&&*@#/&* .,,,,,,,,,,,,,,,,,,,,,,,,,,,,.,,,(%/%/%/,,,,,,,,*,,,,&@
# @@,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,,. .,.*,,,,,,,,,,,,,,,,,,,,, @,(&&&&&&.,,.,......&&&&&&**# .,,,,,,,,,,,,*,,,,*,,,,,,,,,,,,,,,(*(,&,,,,,,,,,,,,,,&@
# @@,,,,,,,,**,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,*,,,, #&&&&&&&/,...,.,....@&&&&&&&&& .,,,,,,,,,,,,,,,,.,,,,,,,,,,,.,,,,,,,,,,,**(#((%%,,,,@@
# @@,,,,,,,,,,,,*,,,,,,,,,,,,,,,,,,,,,,,,,,,,,*.,,,,,,,,,,*,,,,,,,,,,,,,,,, @&&&&&&&..,....,.,..&&&&&&&&@ *,,,,,,,,,,,,,,,..,.,,,,,,*/*,*(@/,,@*,/&,*@*,,(&,,,&@
# @@,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,*.&&&&&&@.,.,,,.,.....&&&&&&&&. ,,,*,,,,,,,,,,,,,,,,,..(@,,@/,,(@*,,@*,/&,*@**%/,,,,&@
# @@,,,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,,.,,,,,,,,,,,,,,,,,,,,,,,,,,,,,*,,,,@&&&&&.........,.../&&&&&&&* ,,,,,,,,,,,,,,,,,,,,,,,,,*@,/,@*,,@*,/&,,@*,,,,,,,&@
# @@,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,*,,,,,,* *,,,,,,,,,,,,,,,,,,,,,,,,,,,*,,,,,, @&&&&/.,..,,..,....,&&&&& ,,,,,,,,*,,,,,,,,,,,,,*,,@/*/&*,@*,,@*,(&,(@%*,,,,.,&@
# @@,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,&&&&%..,.,..,,,....#&&&&&& ,,,,,,,,,,,,,,,,,,*,,,,,,*/,.#*((*,,,,,,,***,,,,,* ,&@
# @@,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,* .,,,,,,,,,,,,,,,,,,,,,,,,,,,*,,,,,,*&&&@.........,.,...&&&&&@.,,,,,,,,,,,,,,,,,,,,,,,,,,(#/,*,(%(#/*,*%#(/#*,,,,. &@
# @@,,,,*,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, ,,,,,,,,,,*,,,,,,,,,,,,*,,,,,,,,,,#&&&......,,..,.....@&&&@*.,,,,,,,,,,,,,,,,,,,,,,,,#((#*(&/,*#,(#(,,,,,,,,,. @@
# @@,,,,,,,,,,,,,,,,,,,,,,,,*,,,,,,,,,,,,,,,,,, ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.*&&/.,..,..........,@&&.,,,,,,,,,,,,,,,,,,,,,,,,,, ,,,,,,,,,,,,,,,,,,,,* .&@
# @@,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, .,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,.#&&.....,..........*&&&&.,,,,,,,,,,,,,,,,,,,,,,,,,, ,,,,,,,,,,,,,,,,,,,,, ,&@